文摘
苹果生长周期的定位起着非常重要的作用在预测水果苹果和引导农民发展农业操作。苹果生长周期的传统手工方法定位问题,如低效率和准确性差。模式识别支持苹果的增长过程中连续和快速定位。果园的自然条件下,由于个体的巨大差异在增长过程中苹果的颜色和光线变化等因素的影响,拍摄苹果图像更复杂,这让某些困难的分割和识别苹果。摘要模式识别用于自动识别和提取苹果的增长阶段,色调强度(HI)的颜色分割算法基于先验知识的基于高斯分布模型研究,然后主动形状模型(ASM)是用来确定每个基于模式识别的苹果增长时期。经过一系列的实验验证,ASM-based自动识别方法在本文中是可行的,可以识别不同生长周期的苹果,从而服务于机械化生产的苹果。
1。介绍
苹果一直被认为是一种水果,可以预防各种疾病。医生说,”加州大学的一项研究发现,在美国苹果富含黄酮类物质能够延缓细胞衰老,保护心脏,并防止脑血管疾病。“2020年,中国已成为世界上最大的苹果生产国,与苹果种植面积和产量占世界的50%以上。苹果产业带来了良好的经济效益,已经成为农民收入的主要来源。精确定位苹果的生长周期把握其发展状况具有十分重要的指导施肥和灌溉等生产管理。在苹果的生长过程,重要的是要准确评估苹果的发展和执行在适当的时间适当的工作。
智能农业是农业之间的集成和人工智能(AI)技术和现代信息技术,也是一种技术,是全球农业发展的迫切需要。无损监测作物生长在智能农业的一个重要环节。它需要实时、准确采集植物生长信息指导作物的精细管理。特别是,作物在不同生长时期的监测作物生长监测的一个重要组成部分。首先,了解作物的生长期可以帮助人们分析田间作物生长和环境条件之间的关系;此外,它可以有效地指导操作,从而大大提高农业机械化水平和作物产量1,2]。
模式识别可以检测细微变化植物由于营养不良视力比人类早,及时灌溉提供了可靠的依据和营养的补充。在当前形势下,如果苹果公司的经济效益和自动化生产是有效地改善,这将有重要的现实意义。果园机械化生产的过程中,管理是一个非常重要的任务。苹果的生长周期分为六个主要时期,第一个是幼苗生长期;幼苗需要精心维护和提供适当的水和肥料管理,使苹果生长得更好。接下来是花芽分化时期,要注意温度和亮度控制。温度是12∼18°C;从4月至6月在开花期间,停止浇水,以避免落花;在苹果的开花期,供应足够的水在开花之前,在开花期和停止浇水,防止花脱落。在贫困增长的情况下,有必要减少时间的花蕾;切断坏种植花卉和花朵来保持一个健康的发展状态。 This is followed by the physiological fruit drop period and the fruit expansion period of the apple, and the maintenance work should be done well. Finally, it should be fertilized and pruned in time during its maturity period to allow it to grow and produce better results. In actual production, the external morphological structure of the crop has undergone tremendous changes from seedling growth to maturity, and these morphological and structural changes are also very significant for the image. Therefore, it is very necessary and urgent to carry out pattern recognition research on the growth and development cycle of apples with the help of computer vision and image processing theories and methods.
总结了本文的主要贡献如下:(i)我们使用基于高斯分布嗨的颜色,适合苹果的图像分割算法在每一个时期的增长过程的复杂环境中苹果果园进行图像分割。(2)的基础上正确的分割,基于模式识别的ASM用于识别苹果在每个时期的生长过程。换句话说,本文的创新主要是使用基于高斯分布执行你好颜色苹果图像分割,然后使用ASM来确定整个苹果生长周期从苗期到成熟的果实。
剩下的纸是组织如下:部分2分析和总结了国内外的研究工作在作物生长发育监测、作物图像分割和自动识别。部分3介绍了苹果的收集和分割图像在每个时期的增长过程。第四节使用ASM来识别苹果在每一个时期的增长过程。实验结果发表在部分5,最后一节6本文总结道。
2。相关工作
现在,劳动力在农场和果园很大程度上取决于熟练的农民。体力劳动浪费了时间,增加了生产的成本,而没有受过教育的和没有经验的工人犯不必要的错误。在[3),赵等人现在回顾一些关键的视觉控制技术及其潜在的应用在水果或蔬菜收获机器人。在[4),智能农业成为一个受欢迎的概念。在[5),王等人开发自动化的计算机应用系统,快速,准确的产量估算。在[6),有越来越多的兴趣,利用图像处理技术进行作物检测在智能除草的应用程序。在[7陆),柑橘类水果和唱提出识别方法不同林冠下照明基于颜色和轮廓信息。在[8),连接器等人提出的方法检测苹果在自然采光。它详细的算法估计苹果在彩色图像的数量自然照明。模式识别与人工智能的快速发展,广泛应用于农业(9]。深度学习是一种特殊的机器学习,可用于农作物分类(10- - - - - -12)、作物图像分割(13,14)、作物目标检测(15,16),和其他任务(17]。在[18),张等人提出一个13-layer卷积神经网络(CNN)水果分类精度高。在[19),陈等人使用基于完全连接位置探测器CNN提取候选区域的图像和细分目标区域,并使用后续CNN计数算法计算水果的数量。在[20.),Dyrmann自动化杂草等人提出一个方法检测和使用CNN检测杂草。快R-CNN [21建议使用区域网络(RPN)方法检测感兴趣的区域(ROI)在一个图像。在[22),Inkyu等人使用更快的R-CNN方法来检测各种水果和产生好结果。越快R-CNN VGG16网(23水果检测[]是最先进的方法9]。在[24),田等人提出一种改进的YOLO-V3模型检测苹果在不同生长阶段;这个模型是用来检测年轻的苹果,扩大苹果,在复杂背景和成熟的苹果。
依靠连续图像处理技术和模式识别技术的发展,我们可以使用计算机技术对作物形状识别。在作物形态识别,目前研究主要集中在作物的外观特征,也就是说,测量的几何形状特征的作物,例如,某些作物的分类不同的树叶的形状特征,包括成长方形,循环,循环的树叶。偏心距等几何参数、叶片大小和不变的时刻,和作物分类和识别也可以通过作物鲜花、水果。大部分的研究工作都集中在特定的器官形态的作物,如叶子和花。很少有研究涉及到使用计算机视觉系统的自动识别作物的生长和发育阶段。然而,使用模式识别定位苹果的生长周期是实际应用的不可或缺的部分,它提供了发展的动力。特别是不同于之前的研究,本文主要使用的新奇你好颜色基于高斯分布执行苹果图像分割,然后使用ASM来确定整个苹果生长周期从苗期到成熟的果实。
3所示。图像采集和分割
3.1。数据收集
计算机视觉通常包括以下模块:光源、相机或摄像机图像捕捉卡,输入和输出模块和图像处理软件。图像采集系统的性能将直接影响到收集的数据的质量,从而影响到后续图像处理和分析。考虑到本研究的实际情况和需要完成的目标,硬件系统对苹果图像分割和识别的关键发展阶段主要由一台电脑和一个图像采集系统。图像采集通常是由一个摄像头,普通数字或光学相机,然后记忆卡的数字图像转化为计算机。本文将主要对数据采集使用数码相机。图像采集系统主要包括三脚、数码相机、电脑、和数据传输设备。本文可以获得不同天气条件和不同生长阶段的苹果图像通过这个系统,然后通过图像处理相关算法识别它们。
本文的主题是苹果,选择的多样性是富士苹果。图像收集时间主要决定根据苹果的生长状态和生长规则。就本研究而言,有必要考虑准确细分苹果与图像在不同天气条件下和自动识别的四个关键生长阶段苹果花芽分化,苹果鲜花、生理落果,和水果在果园的扩张。因此,我们需要不断拍摄每天在特定的时间。拍摄对象是苹果(幼苗的生长周期开始成熟时期的结束)。苹果图像收集主要集中在两个时期。第一个时期主要是拍摄在果园里的苹果。它的功能是分析苹果的绿色信息之间的关系和不同天气条件下光为分割奠定基础;后者时期主要是获得一个苹果,和它的作用是识别后创建的训练样本。拍摄环境变化包括黑暗光强光,天气条件(晴天、雨天和阴天),拍摄时间(早上、中午、下午),干燥潮湿的土壤。 It is also necessary to adjust the height and angle of the camera in time to find a reasonable configuration that can obtain high-quality image data.
3.2。图像分割
苹果的精确的分割和提取图像中构成先决条件实现苹果生长监测。然而,这项工作的完成是受到很多因素的影响,如光照条件的变化,表层土壤的变化和复杂的环境。为了实现精确分割的苹果图像在复杂的环境中,本文研究一种你好颜色分割算法基于高斯分布模型基于先验知识的苹果在不同的天气和不同的生长发育阶段。该算法只需要少量的训练样本来完成苹果图像的分割。
3.2.1之上。现有的作物分割算法
在作物图像分割的算法,颜色指数的作用是非常重要的。一般颜色索引算法主要包括ExG (Green-over-green过剩);ExR (Red-over-red过剩);ExG-ExR(多余的绿色-超额Red-over-green -覆盖红);书(颜色的植被指数一植被颜色指数提取);和蔬菜(植被)。这些算法只需要使用三个组件的红、绿、蓝的RGB颜色空间。计算很简单,光强度的变化不敏感;更复杂的环境,改变有一定程度的适应性。然而,算法的实现的先决条件是规范化的颜色空间,最终实现作物提取通过设置分割阈值。
规范中所示的颜色空间的方法(1),的值 , ,和需要首先计算。
的基础上 , ,和 , , ,和分别是归一化到吗间隔根据(2), 假定。
颜色指数的计算是基于计算 , ,和值(2)。(我) (2) (3) (iv) (v)
3.2.2。你好,颜色分割基于高斯分布模型
HSI颜色模型表达的人类视觉系统感知物体的颜色,在颜色(H)代表的不同颜色,饱和度(S)代表着纯洁的颜色,和强度(I)代表颜色的亮度。这些组件是用来描述颜色特征。使用HSI颜色模型在作物分割具有以下优点:与RGB颜色模型相比,它的三个颜色功能组件可以直接用于单独分割;与此同时,它克服了光照条件的影响25]。
单色物体的颜色分布与强度变化色相饱和度平面,一个单一的颜色是不同的在每个苹果增长时期,它是绿色的生长期幼苗生理落果期;在花蕾,它是粉色在分化阶段,黄苹果开花阶段,和红色水果的扩张和成熟阶段。因此,当建立一个单色像素模型在HSI颜色模型,必须适应变化的外部照明条件。因此,一个单一的高斯分布模型可以用来表示音调值在一定强度的分布。高斯分布的概率密度函数所示
在这里,是单一的色调值的颜色,是期望值,是方差。解决方案的参数值和在一定强度可以通过使用最大似然估计方法估计在训练样本数据集,显示了具体的计算方法
在这里,代表了th色调的价值样本像素在一个特定的强度,和指的是单色像素样本总数。
HI本文分割算法是基于HSI颜色模型,和苹果的类型图像收集在实验中是RGB颜色模型。因此,图像需要从RGB颜色模型转换到HSI颜色模型在构建语气强度表和图像分割。从RGB颜色模型转换的基本原理HSI颜色模型如下:首先,亮度因素需要分开的RGB颜色模型;色度分为两个部分,色相和饱和度;和角度向量表示为色彩。总的来说,这是一个基于笛卡尔坐标的转换从一个单位立方体基于圆柱形极坐标(双锥26]。从RGB颜色模型转换公式HSI颜色模型定义如下:(我) (2) (3)
的值 , ,和在(12)都需要规范化计算前间隔。
设置一个像素 ,在哪里 代表图像中的像素的坐标。根据HI颜色分割的高斯分布模型, 代表之间的偏差(距离)色调值的像素及其预期值,如下:
在这里, 和 分别是来自色调的期望值和方差强度查表。如果计算距离比较大,像素属于绿色作物的可能性降低了。为了准确地细分作物图像,本文设置一个阈值判断一个像素是一个单色的作物;如果 , ;否则,它属于背景。不难发现阈值的设置将直接影响作物图像分割的准确性,并选择不同的阈值会产生不同的分割结果。如果阈值太小,一些单色像素将被错误地划分为其他颜色像素。如果阈值太大,一些其他颜色的像素将被错误地归类为单色像素。因此,它是非常重要的选择一个合适的阈值 。通过测试,本文最后决定最好的值适用于图像分割在每个阶段的苹果增长(实验部分将详细讨论)。
4所示。识别和定位的不同时期苹果的生长过程
苹果生长过程中的每个阶段的识别进行准确分割的基础上苹果。图像处理之后,其他因素对识别效果的影响降低。国内外研究人员主要使用信息,如形状参数、颜色、纹理特征来识别单一的植物的叶子;识别花芽分化、开花期间,和水果,他们计算的基础上确定单一的叶子,然后确定哪个时期的植物。在这项研究中,ASM方法用于识别苹果的生长周期,考虑到苹果在每个时期的整体几何形状,减少不同的树叶识别结果的影响。
4.1。ASM
ASM是一种统计模型方法应用于复杂形状匹配的学者提出的(27- - - - - -29日]。本研究讨论从三个方面,即点分布模型,局部灰度纹理模型和匹配目标搜索过程。其基本过程是首先选择一系列的训练样本,然后使用手动校准标记物体的轮廓(特征点)的形状,然后对这些训练样本执行对齐操作。在此基础上,建立形状模型和约束条件的形状参数变化。最后,搜索目标相匹配的形状模型的测试图像,以完成目标的识别对象。ASM算法运行速度快的特点,目标定位精度高,也适合于识别不同光照下,复杂的背景,和闭塞。除此之外,它可以统计模型的复杂形状目标完成识别工作。在匹配的搜索过程中,调整的形状模型参数约束模型的整体形状。
4.2。点分布模型
我们使用来表示一个特定的训练集,训练集包含形状和每个形状标记点。它可以用另一种方式来表达;也就是说,有为每个形状的标记点坐标点。用训练集 :的校正的坐标点th形状和校准点的th形状由一个向量在训练集30.]。
当手动校准目标轮廓特征点,它是必要的,以确保校准序列每个图像的特征点与校准的位置是一致的。否则,在下一步中训练样本的一致性会受到影响,和建模将是不合理的。有不同的拍摄角度和不同的射击距离的数据采集过程中某些关键生长期的苹果。因此,苹果在图片的位置和尺度是不同的,导致训练样本的分布在二维空间无序,导致失败。这显示了一个苹果的形状的变化规律增长的关键时期,这是不合理的训练样本直接计数和过程。因此,有必要在手动执行标准化的对齐处理标记训练样本。主要操作步骤如下:首先选择一个特定的示例形状的基本形状,和其他样品尽可能接近的基本形状通过减少步骤的规模扩大和旋转,和翻译。
如果我们只对齐两个样品,其对应的形状向量和 ,分别。让基本形状模型,然后扩大和减少在一定规模 ,和旋转角和翻译 ,这样的形状尽可能的形状吗 。最小二乘的框架下形状向量标准化通过调整这些参数。
由最小二乘法获得
部分区分 , , , ;将其值设置为0;然后解决这些方程得到这些参数值。
因此,它可以扩展的一致性样本。首先,选择样本的形状向量作为基本形状向量,然后对齐其他形状向量的基本形状向量根据上述计算方法。毕竟是一致的,找到他们的平均形状模型,使它成为新的基本形状向量。然后,结合其他形状向量这一新的基本形状向量,并重复此操作,直到满足收敛条件。
的平均模型形状模型定义如下:
的最后形状模型和训练集可以表示的形状模型和平均体重的变化模型。
在这里,平均形状模型,变换矩阵由组件组成的特征向量,然后呢 是形状权向量,计算如下:
形状的变化体重将会改变相应的形状模型,生成的形状模型ASM。搜索和匹配相似的图像中目标的形状模型近似目标图像的形状通过调整权重向量不同形状的限制在一定的范围内变化。限制是为了避免在匹配过程中形状模型的变化,不符合实际情况。的价值计算概率分布模型的参数。
在这里,特征值, 。
4.3。当地的灰色纹理模型
局部灰度纹理模型的建立首先需要分析灰度信息(31日]。的灰色信息的计算过程模型的特征点图像以这个点为中心,采取采样点在双方正常模型的轮廓。因此,有 像素点的总数。灰色的信息记录 。为了减少模型的影响的过程中,翻译和缩放的梯度值计算:
同时,为了减少不同照明条件下的影响,我们做了归一化过程的基础上,梯度值 :
然后,计算平均灰度信息模型模型的特征点对应。
计算协方差矩阵的特征点 。
根据上面的计算公式,我们可以得到每个模型特征点的地方灰色信息特点:平均灰色信息模型和协方差矩阵 ,包括 模型特征点。
Mahalanobis距离可以描述之间的相似程度,当地的一个特征点和标定特征点(相似性测量):距离值越小,相似度越大;距离值越大,相似度越小。因此,在目标图像搜索过程中,通过计算相应的距离 ,最大的特征点相似度,这是最好的匹配点模型的标定特征点。
4.4。匹配目标搜索过程
4.1.1。ASM算法单一分辨率搜索策略
寻找目标图像时,第一步是使用人工标记特征点获取初始形状模型,然后使用本地灰度纹理模型选择最佳匹配点,并结合的局限性和形状参数的变化来获取匹配结果图。具体过程如下:(1)初始化模型和定位。在目标图像,是否有苹果幼苗,花蕾,和水果在增长过程的不同阶段,一般确定的近似位置;在此基础上,与幼苗,花蕾,舞台和水果形状的初始形状模型获取目标图像的近似位置;最初的形状是 。(2)发现新模型的形状。搜索附近的特征点根据正常的方向特性,并计算的最小距离 当前特征点和候选人之间在当前轮廓特征点附近;即最佳电流显著特征点的匹配点的最小距离 ;然后,相对应的最佳匹配点的每个特征点计算当前形状,和新的形状向量建立了。(3)形状参数更新。新模型所需的位移特征目标点是通过仿射变换。(4)形状参数约束。从概率分布模型,形状参数的变化范围 ,最后的结果是与图像中的目标轮廓。(5)重复的步骤(2)(4),直到新形状和原来的形状不再变化显著;我们考虑到算法收敛,迭代结束。
10/24/11。ASM算法多分辨率搜索策略
当ASM搜索最佳匹配点,经常受到内部和外部因素的影响,如初始目标位置和图像的噪声。反过来,偏差发生在每个特征点与对应的最佳候选点,和搜索性能改变。搜索变得更糟的结果偏差点增加或偏差的数量增加,进而影响ASM算法的匹配效果。传统的ASM算法面临如下矛盾:特征点匹配过程中,从一个角度来看,预期的搜索范围足够大,以确保最佳的匹配特征点的位置可以搜索。搜索间隔太大,然而,如果nonoptimal数量的特征点类似于理想特性匹配点的搜索区间将增加,将大大降低算法的计算效率,和错误的可能性将会继续增加。从另一个角度来看,一般来说,较小的搜索区间计算预计将减少并最终提高效率。为了应对上述矛盾,傻瓜和其他研究学者提出了一种新的ASM搜索方法,即多分辨率搜索策略。基本思想是“从低到高”多级搜索:第一步是寻找目标的近似位置在最低分辨率图像。然后,在图像环境决议逐渐增加,目标的精确位置不断改进,直到最高分辨率图像的原始图像。该方法可以加快运行速度和减少图像的局部结构的概率干扰的形状模型。
在多分辨率搜索策略的过程中,第一步是建立高斯金字塔图像。图像的每一层都是相同的,但它们之间的差异是不同的决议。最低层的原始图像是图像层0,和上一层一层的低分辨率图像是图像1。收购的方法是处理最低的5层图像5图像掩模和两个像素的样本;即图像的长度和宽度范围内获得的每一层都是上一层的一半;然后,得到n-layer图像的金字塔。通过这种方式,建立了高斯金字塔图像在不同分辨率。
5。实验设计和结果分析
5.1。图像分割的实验结果:值选择
为了确定合适的阈值你好颜色分割的高斯分布模型来准确地细分苹果在每个时期的生长过程,本文选择45不同天气条件下(晴朗,多云,下雨),不同的环境,不同的经济增长阶段。苹果的形象时期被用作样本进行测试。与此同时,选择之间的关系价值和分割的结果进行了讨论。如图1(时间是标有橙色数字),六个图片是苹果在苗期,花芽分化阶段,苹果开花阶段,生理落果阶段,水果膨胀阶段和成熟阶段。结果表明,设置的价值有很大的影响对苹果图像分割的结果。当= 1,缺乏苹果是严重的,和一些像素属于苹果被错误地归类为背景,如图2。当= 4,大部分属于背景的像素被错误分类为苹果花蕾,苹果鲜花,或他们的水果,如图3。经过大量的实验验证,发现阈值分割效果是最好的在[2.4,2.6],符合正确的目标提取苹果。图4显示,当= 2.5,图像分割的效果比时要好得多值1和4,分别。的值表明,这个时候嗨高斯分布模型的颜色分割算法提取苹果在每个时期的生长过程。它适应不同的环境条件和变化具有良好的鲁棒性。因此,本文设置阈值2.5你好颜色分割方法的参数的高斯分布模型段的苹果图像在每个周期增长。
为了进一步证明你好颜色分割算法的性能优良的高斯分布模型提取苹果在每个时期的生长过程,本文又从获得的苹果图像数据:选择典型的数据不同天气条件下(晴朗,多云,下雨),不同生长阶段,不同程度的复杂性作为测试样本。
在这项研究中,四种算法的实验结果,书ExG-ExR, ExG,蔬菜相比,该方法的实验结果。嗨的阈值分割算法的设置为高斯分布模型= 2.5。从实验结果可以看出,嗨算法的分割效果最好,可以适应照明变化和复杂的环境。与书的三个算法相比,ExG-ExR,和蔬菜,ExG算法具有更好的适应性和能适应一般的光强度变化,但不如你好算法图像分割效果。蔬菜算法分割效果最差,最容易受到不同光强度的影响;吵闹的一点是严重的。ExG-ExR算法错误率很高。分割的算法可以处理书绿色作物和土壤更好,但当有干扰因素(如阴影)的形象,性能不是很好。总之,你好算法本文中选择最好的效果。
5.2。每个时期的定位结果在苹果生长过程
ASM算法准确地描述整个二维形状的苹果在成长过程中,和多分辨率搜索策略是用于确定在增长过程中苹果的位置来识别它。训练样本如图1。为了克服传统方法的缺点,本文直接描述了苹果公司成长的每个阶段的总体轮廓。具体操作是标记在每幅图像的轮廓。如图5、绿点标志轮廓点。
为了提高识别的准确性和效率在每个时期苹果生长的过程中,我们应注意以下问题。大纲需要标记,和校准点应尽量分布在边缘的轮廓。使用这些命令校准点描述轮廓,然后你可以把他们从二维空间的图像并记录它来形容整个轮廓。
虽然苹果的轮廓点校准每一段生长过程标记,仍有某些错误。整体几何形状的描述仍将受到三个方面:(1)当获取轮廓校正点苹果生长过程每个阶段的作品,原来的校准点是在各自的坐标系统。因此,苹果相同的阶段,不同时期有不同的坐标系统,和将会有差异时统一到同一个坐标系。(2)收集数据时,相机和苹果之间的距离都是不同的,导致苹果在不同阶段和不同时期的尺度不一致的形象,所以他们不能直接比较。(3)苹果和完全成像平面不平行,导致失真的图像几何苹果在每个阶段的发展过程。为了克服上述不利因素的影响,有必要结合的序列点苹果在不同的图像轮廓校正在每个阶段。调整的主要目的是能够比较相同的训练样本来自不同的显著特征点坐标系统和建立一个统计形状模型在此基础上客观地描述形状变化的趋势和规律。
校准后的训练样本是一致的,训练样本的平均序列校准点得到根据(17)。用最后的形状模型 。初始模型用于搜索匹配的目标,和最好的匹配效应是通过限制重量形状参数 。
在本文中,我们选择100年果园,苹果树段嗨图像基于高斯分布模型。最优值图像分割在苹果公司的每一个阶段,增长2.5,和重量参数= 0.03的形状模型。
苹果标识的成功率和定位在每一个时期的增长过程如图6。
6。结论
基于模式识别,本文研究一种嗨基于高斯分布的颜色分割算法,适用于苹果图像分割在每一个时期的增长过程复杂环境的果园。它是基于先验知识部分苹果的形象。首先,苹果图像删除背景在不同天气条件下获得作为训练样本,建立了嗨查表,然后图像中每个像素判断它是否属于一个苹果。形态学处理和轮廓跟踪执行的二进制图像分割苹果的形象,和适当的阈值确定嗨颜色分割的高斯分布模型来准确地细分苹果在每个时期的生长过程。正确的市场细分的基础上,基于模式识别的方法,ASM,用于识别苹果在每个时期的生长过程;校准整体轮廓来描述他们的形状;然后计算训练样本的数量,并计算。最后,最初的形状模型。本文表明,通过一系列的实验结果,我们的算法是有效的和可行的;他们可以满足实际生产的需要,为果园的实时管理提供决策支持,并最终为智能农业的应用奠定基础。 Although this paper has achieved some satisfactory results, it also has shortcomings. Using the Gaussian distribution HI color segmentation algorithm to segment the apple image depends on the selection of the价值。如果值选择不当,它会有一个伟大的对分割结果的影响。因此,聚类方法应该添加在此基础上实现一个更好的分割效果;此外,最初的定位应该改进ASM算法使搜索匹配效果更好。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是由中国国家自然科学基金(没有。31860331),YEFICRC项目(没有云南省重点项目。2019 zg009),云南农业联合青年基金(没有。2018年fg001 - 091)。